はじめる

Carpartsセグメンテーションデータセット

Open Carparts Segmentation Dataset In Colab

Ultralytics Carpartsセグメンテーションデータセットには、23種類の自動車部品クラス(バンパー、ドア、ライト、ミラー、ボンネット、トランクなど)を網羅した3,833枚のアノテーション付き画像が含まれており、自動車関連のコンピュータビジョンタスク向けインスタンスセグメンテーションモデルの学習に使用できます。複数の視点から撮影され、ピクセル単位のマスクでアノテーションが付けられており、Ultralytics YOLOと直接組み合わせて、自動車の品質管理や修理から保険請求時の損傷評価、自動運転車の認識まで、幅広い用途に活用できます。



視聴: Ultralytics Platform で車の部品をセグメンテーションする方法 | トレーニング、デプロイ、推論 | Ultralytics YOLO26 🚀

データセットの構成#

Carpartsセグメンテーションデータセットの3,833枚の画像は、次のように分割されています。

  • トレーニングセット: トレーニングデータとして深層学習モデルに使用される3,156枚の画像です。
  • 検証セット:画像が401枚含まれており、学習中にハイパーパラメーターを調整し、検証データへの過学習を防ぐために使用します。
  • テストセット:画像が276枚含まれており、学習後にモデルを未使用のテストデータで評価するために使用します。
  • クラス:合計23クラスです。名前付きの自動車部品カテゴリ22種類(バンパー、ドア、ライト、ガラス、ミラー、ボンネット、テールゲート、トランク、ホイール)に加えて、これらのカテゴリに含まれない部品をまとめるobjectクラスがあります。
  • ダウンロードサイズ:~133 MB。

用途#

Carpartsセグメンテーションは、次のようなさまざまな分野で活用できます。

  • 自動車の品質管理:製造中に自動車部品の欠陥や不整合を特定します(製造業におけるAI)。
  • 自動車修理:整備士が修理または交換する部品を特定するのに役立ちます。
  • Eコマースの商品カタログ作成: オンラインストアで自動車部品にタグを付け、分類します。
  • 交通監視:交通監視映像から車両の構成部品を分析します。
  • 自動運転車:自動運転車の認識システムを強化し、周囲の車両をより適切に把握できるようにします。
  • 保険処理:保険請求時に損傷した自動車部品を特定し、損害評価を自動化します。
  • リサイクル:効率的なリサイクル工程のために車両部品を仕分けます。
  • スマートシティの取り組み: スマートシティにおける都市計画や交通管理システムにデータを提供します。

Carpartsセグメンテーションデータセットの全体は、Ultralytics Platformでも閲覧および管理できます。

データセットYAML#

YAMLファイルでは、パス、クラス名、その他の重要な詳細を含むデータセット設定を定義します。Carpartsセグメンテーションデータセットのcarparts-seg.yamlファイルは、https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yamlにあります。YAML形式の詳細については、yaml.orgをご覧ください。

ultralytics/cfg/datasets/carparts-seg.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Carparts-seg dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/carparts-seg
# Example usage: yolo train data=carparts-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── carparts-seg ← downloads here (133 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: carparts-seg # dataset root dir
train: images/train # train images (relative to 'path') 3156 images
val: images/val # val images (relative to 'path') 401 images
test: images/test # test images (relative to 'path') 276 images

# Classes
names:
  0: back_bumper
  1: back_door
  2: back_glass
  3: back_left_door
  4: back_left_light
  5: back_light
  6: back_right_door
  7: back_right_light
  8: front_bumper
  9: front_door
  10: front_glass
  11: front_left_door
  12: front_left_light
  13: front_light
  14: front_right_door
  15: front_right_light
  16: hood
  17: left_mirror
  18: object
  19: right_mirror
  20: tailgate
  21: trunk
  22: wheel

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/carparts-seg.zip

使用方法#

以下のコードスニペットを使用すると、Carparts Segmentationデータセットで画像サイズ640、100エポックの条件でUltralytics YOLO26n-segモデルをトレーニングできます。

トレーニング例
from ultralytics import YOLO

# YOLO26n-segなどの学習済みセグメンテーションモデルを読み込む
model = YOLO("yolo26n-seg.pt")  # 事前トレーニング済みモデルを読み込みます(トレーニングにはこちらを推奨します)

# Carpartsセグメンテーションデータセットでモデルを学習する
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# 学習後、検証セットでモデルのパフォーマンスを検証できます
results = model.val()

# または、新しい画像や動画で推論を実行します
results = model.predict("path/to/your/image.jpg")

サンプルデータとアノテーション#

以下はCarpartsセグメンテーションデータセットのサンプル画像で、物体セグメンテーションマスクを重ねて表示しています。個々の自動車部品の輪郭とラベルを確認できます。

ラベル付きパーツマスクを含む自動車部品セグメンテーションデータセットのサンプル

このデータセットは、さまざまな場所、照明条件、物体密度を網羅しており、これを使って学習したモデルが、汎化の対象となる実世界のシーンの幅広さを経験できます。

引用と謝辞#

研究または開発でCarparts Segmentationデータセットを使用する場合は、元の出典を引用してください。

引用
@misc{car-seg-un1pm_dataset,
      title = { car-seg Dataset },
      type = { Open Source Dataset },
      author = { Gianmarco Russo },
      url = { https://universe.roboflow.com/gianmarco-russo-vt9xr/car-seg-un1pm },
      year = { 2023 },
      month = { nov },
      note = { visited on 2024-01-24 },
}

コンピュータビジョンコミュニティにとって価値あるこのデータセットの作成と維持に貢献したGianmarco Russo氏とRoboflowチームに感謝します。その他のデータセットについては、Ultralyticsデータセットコレクションをご覧ください。

よくある質問#

  • Carpartsセグメンテーションデータセットは、バンパー、ドア、ライト、ミラー、ボンネット、トランクなど、23種類の自動車部品クラスにわたる3,833枚の厳選されたアノテーション付き画像コレクションで、インスタンスセグメンテーションモデルの学習と評価に使用できます。品質管理、自動車修理、損傷評価など、自動車分野のコンピュータビジョン用途向けに構成されており、carparts-seg.yaml設定ファイルを使用してUltralytics YOLO26で直接利用できます。

  • データセットは合計3,833枚の画像で構成され、学習用が3,156枚、検証用が401枚、テスト用が276枚です。クラスは23種類で、名前付きの自動車部品カテゴリ22種類と、それらに含まれない部品をまとめるobjectクラスがあります。完全なアーカイブは、初回使用時に約133 MBの.zipとして自動ダウンロードされます。

  • 学習済みのセグメンテーションモデル(例:yolo26n-seg.pt)を読み込み、上記の使用方法セクションにあるPythonまたはCLIのコードスニペットを使って、carparts-seg.yaml設定で学習します。使用可能な引数の全一覧については、学習ガイドをご覧ください。

  • Carpartsセグメンテーションは、自動車の品質管理、自動車修理、Eコマースの商品カタログ作成、交通監視、自動運転車の認識、保険請求時の損害評価、リサイクル、スマートシティ構想に活用できます。各用途の詳細については、上記の用途セクションをご覧ください。

  • データセットのパスとクラスの詳細を記載したデータセット設定ファイルcarparts-seg.yamlは、Ultralytics GitHubリポジトリ内のcarparts-seg.yamlにあります。

  • このデータセットは、自動車関連アプリケーション向けの高精度なセグメンテーションモデルを開発するためのピクセルレベルのアノテーションを提供します。多様なデータにより、自動車の自動検査、車両安全システム、自動運転など、現実世界のシナリオにおけるモデルの堅牢性が向上します。

コメント2

質問したり、結果を共有したり、ほかの人をサポートしたりできます。

    1. Glenn JocherUltralytics(編集済み)

      @SHAHFAISAL80 to test vehicle parts segmentation on any random dataset, you can modify the dataset configuration file (YAML) to point to your dataset's paths and classes. Then, use the following command to train the model:

      yolo segment train data=your_dataset.yaml model=yolo26n-seg.pt epochs=100 imgsz=640

      For more details, visit the Ultralytics documentation.